davies_bouldin_score

sklearn.metrics.davies_bouldin_score(X, labels)

计算Davies-Bouldin分数。

分数被定义为每个聚类与其最相似聚类的平均相似性度量，其中相似性是聚类内距离与聚类间距离的比率。因此，距离较远且分散程度较低的聚类将得到更好的分数。

最低得分为零，值越低，表明聚集性越好。

阅读更多的 User Guide .

Added in version 0.20.

参数:

X形状类似阵列（n_samples，n_features）

的列表 n_features - 维度数据点。每一行对应一个数据点。

labels形状类似阵列（n_samples，）

每个样本的预测标签。

返回:

得分：浮动

由此产生的戴维斯-布尔丁得分。

引用

[1]

大卫·L·戴维斯;唐纳德·W·布尔丁（1979）。 "A Cluster Separation Measure" . IEEE模式分析和机器智能汇刊。PAMI-1（2）：224-227

示例

>>> from sklearn.metrics import davies_bouldin_score
>>> X = [[0, 1], [1, 1], [3, 4]]
>>> labels = [0, 0, 1]
>>> davies_bouldin_score(X, labels)
np.float64(0.12...)